基于深度可分离卷积网络的航拍绝缘子检测

刘昶忻 李目

摘 要：针对传统电气绝缘子人工巡检状态效率低下的问题，提出了基于深度可分离卷积网络MobileNetV2_SSD的航拍绝缘子目标检测方案。利用航拍无人机拍摄绝缘子数据集，并将其分配为训练集与评测集。通过训练集对MobileNetV2_SSD网络进行训练，使其学习到航拍绝缘子特征。利用测试集对模型进行效果评测，评测标准使用平均精确率与召回率，模型对航拍绝缘子定位达到了92.48%的平均精确率与71.42%的召回率，在含故障绝缘子标签数据集上的定位精度达到了82.47%的平均精确率与81.07%的召回率。得益于深度可分离卷积，有效减小了参数的运算量，模型大小也压缩至18.2 MB，成功在移动端部署。实验表明，基于深度可分离卷积网络MobileNetV2_SSD的航拍绝缘子检测方案，不论在检测精度还是在模型大小上都具有很好的效果与表现。

关键词：深度可分离卷积;绝缘子;目标检测;航拍图像

0 引言

绝缘子在电气传输线上有着重要的绝缘控制作用，一旦发生故障将会影响整条线路的正常运行，不仅影响人们的正常生活，还会极大地减少电网的运行和使用寿命。因此，亟需提出一个及时有效的绝缘子故障检测方法，以有效减少电力传输线故障的发生。

为了对航拍图像中的绝缘子故障进行检测与识别，国内外已提出过不少相关的研究方法。传统方法中，文献[1]通过HOG提取绝缘子的局部特征，再通过传统机器学习算法对其进行检测识别。文献[2]通过绝缘子轮廓提取的方法对绝缘子边缘进行检测，然而当背景存在电塔等干扰时，边缘提取也会存在干扰。文献[3]通过图像分割的方法，使绝缘子主体与背景分离，然而遇到复杂背景时分割效果将受影响。

近年来，深度学习在目标检测、图像识别领域取得了巨大的成果。张倩[4]基于改进LeNet_5网络结构，通过添加反馈机制调节卷积核的大小和个数，使检测准确率达到平均89.20%，然而该方法的网络结构相对简单，在负样本不足时容易陷入过拟合现象。Zhengbing Zhao[5]改进了Fast RCNN，对不同长径比和尺度的绝缘子以及相互遮挡的绝缘子有很好的检测作用，AP精度达到81.8%。然而这些模型无法部署在移动终端，电力检测人员在野外遇到移动信号不稳定或者断网的情况时，无法对绝缘子状态进行检测，实时性差。

本文將基于深度可分离卷积网络MobileNetV2_SSD对航拍绝缘子进行目标检测与识别，其不仅对绝缘子具有优秀的检测精度，同时也使绝缘子检测模型能部署于移动端。

1 绝缘子目标检测算法

MobileNetV2通过深度可分离卷积[6]构建轻量化神经网络模型，可有效减小模型大小。通过借鉴ResNet网络，使用倒残差结构，网络在具有更深层数的同时避免了梯度消失现象的发生。经MobileNetV2对网络进行特征提取后，由SSD网络对目标区域进行检测。这一套由MobileNetV2负责特征提取，再由SSD网络进行目标检测的模型就称为MobileNetV2_SSD模型。

1.1    深度可分离卷积

深度可分离卷积将一个传统的卷积运算分成深度卷积层与点卷积层。深度卷积层用于对输入图像的每个通道进行滤波。点卷积层是一个1×1的卷积层，通过计算输入通道的线性组合来构建新的特征，用于合并深度卷积层的输出。标准卷积核如图1（a）所示，深度卷积核如图1（b）所示，点卷积核如图1（c）所示。

深度可分离卷积可以有效减少模型的运算量。对于输入尺寸为DF×DF×M的图像F，预期得到输出尺寸为DF×DF×N的图像G。其中DF表示图像的长度与宽度;M表示输入图像F的通道数;N表示输出图像G的通道数。

标准卷积核的尺寸为DK×DK×M×N。其中DK表示标准卷积核的长度与宽度;M表示输入尺寸的通道数;N表示输出通道数。输入图像经标准卷积核进行运算的运算量为：

DF·DF·M·N·DK·DK（1）

在深度可分离卷积中，深度卷积层尺寸为DK×DK×1×M，每次仅对输入图像的一个通道进行运算，一共进行M次。输入图像F，经深度可分离卷积处理后的总运算量等于其经深度卷积层与1×1的点卷积的运算量之和，即：

DF·DF·M·DK·DK+DF·DF·M·N（2）

基于此，经深度可分离卷积，相比标准卷积操作，运算量缩小比例为：

故深度可分离卷积可有效降低卷积的运算数量。且MobileNetV2引入线性瓶颈层来去除非线性层带来的信息缺失，并在瓶颈层中进行短接以减少输入向量。

1.2    模型结构

MobileNetV2_SSD的模型结构如图2所示。

MobileNetV2_SSD模型由两部分组成，其中图片的特征提取部分由MobileNetV2主体框架完成，SSD负责对图片中的主体进行目标检测。MobileNetV2的基本模块是由深度可分离卷积构成的瓶颈层（Bottleneck），对于不同步长的深度可分离卷积，瓶颈层具有不同的结构，如图3所示。

当步长为1时，使用短接（shortcut）可以提供更好的梯度下降能力;在计算精度较低时使用具有更好鲁棒性的Relu6作为非线性激活函数;使用3×3的标准卷积核可以较好地控制每层的输出图像尺寸。当步长为2时，输出层尺寸为输入层的一半。

MobileNetV2_SSD的中MobileNetV2整体网络构成如表1所示。其中，每行由一个或多个完全相同的模块，用n表示其重复个数。同一行的所有层都包含相同的输出通道数C。每行的第一层步长用S表示，其余层的步长都为1，且所有的卷积核大小均为3×3。

2 实验与分析

本实验首先对数据集进行构造，将数据集分为训练集与评测集，其中包含正常与故障绝缘子。再利用训练集对上节所述的MobilenetV2_SSD模型进行训练，从而学习到绝缘子形状特征。最后利用评测集对模型精度进行测评。本实验数据集包括600张的正常绝缘子图片，248张故障绝缘子图片，以4：1的比例，通过随机打乱的方式将所有的航拍绝缘子数据分为训练集680张、测试集168张。通过LabelImg完成数据标注。

2.1    评估准测

通过两种广泛使用的目标检测评判标准来对模型检测性能进行定量评估：平均精确率（mean Average Precision，mAP）与召回率（Recall）。两者的数值越高代表模型对航拍绝缘子的检测能力越强，其中作为主要评判依据的mAP值，可由精确率（Precision）与召回率（Recall）计算得到。

式中：TP表示检测为真的结果中实际为真的数量;FP表示检测为真的结果中实际为假的数量;FN表示检测为假的结果中实际为真的数量。TP，FP，FN值由交并比（IoU）的权值决定。

由Precision和Recall绘制出以Recall为横坐标的PR曲线，对于每一个阈值，都有一个对应的最大Precision。对这些Precision值求平均即可得到精确率均值（Average Precision，AP），将所有的类别对AP值取平均即可得到平均精确率（mAP）。

2.2    实验参数

使用MobileNetV2_SSD对航拍绝缘子训练集进行训练，实验参数如表2所示。

2.3    实验结果及分析

随着模型迭代次数的不断增加，模型的损失值（loss）呈下降趋势并收敛，损失曲线如图4所示，平均精确率曲线如图5所示，召回率曲线如图6所示。

其中MobileNetV2_SSD_withfault表示MobileNetV2_SSD模型在含故障绝缘子标签数据集上的表现。

由于使用的是便于移植移动端的轻量化网络，故仅与同类型的MobileNetV1_SSD进行对比，实验结果如表3所示。

由表3可以看出，MobileNetV2_SSD对航拍绝缘子的检测精度达到了92.5%，召回率达到71.4%，且模型体积控制在18.2 MB。对于含有故障绝缘子的航拍绝缘子数据集，MobileNetV2_SSD的检测精度为82.47%，召回率为81.07%。不论在模型精度还是模型大小上MobileNetV2_SSD都明显优于MobileNetV1_SSD。其对航拍绝缘子的检测效果如图7所示。

通过TF_Lite深度学习框架对MobileNetV2_SSD航拍绝缘子检测模型进行移动端移植，开发环境使用Android Studio 3.1.2，Java语言。在手机移动端上的航拍绝缘子状态实时检测结果如图8所示。

3 结语

本文基于轻量化目标检测网络MobileNetV2_SSD，对航拍图像的绝缘子进行检测，通过数据标注的方式创建航拍绝缘子数据集，并以4：1的比例合理分配训练集与测试集。将MoblieNetV2_SSD网络在训练集上进行训练，使其学习到绝缘子特征。在测试集上实現了平均精确率92.48%，召回率71.42%，对故障绝缘子数据集的定位达到了82.47%的平均精确率与81.07%的召回率，有效证明了该模型对航拍绝缘子的高检测精度。深度可分离卷积的结构设计，将模型大小控制在18.2 MB，并在移动端实现了部署。

[参考文献]

[1] 黄新波，张慧莹，张烨，等.基于改进色差法的复合绝缘子图像分割技术[J].高电压技术，2018，44（8）：2493-2500.

[2] IRUANSI U，TAPAMO J-R，DAVIDSON I E.An active contour approach to insulator segmentation[C]//12th IEEE Africon International Conference，2015：556-560.

[3] QI Y C，XU L， ZHAO Z B，et al.A Cosegmentation Method for Aerial Insulator Images[C]//10th Conference on Image and Graphics Technologies and Applications，2015：113-122.

[4] 张倩，王建平，李帷韬.基于反馈机制的卷积神经网络绝缘子状态检测方法[J].电工技术学报，2019，34（16）：3311-3321.

[5] ZHAO Z B，ZHEN Z，ZHANG L，et al.Insulator detection method in inspection image based on improved faster R-CNN[J].Energies，2019，12（7）：1-15.

[6] SANDLER M，HOWARD A，ZHU M，et al.MobileNetV2：Inverted residuals and linear bottlenecks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2018：4510-4520.

收稿日期：2020-12-07

作者简介：刘昶忻（1996—），男，湖北武汉人，硕士研究生，研究方向：故障诊断、深度学习。